[發明專利]一種基于多尺度殘差注意力網絡的SAR圖像去噪方法

在審

• 申請號: 202011046838.6
• 申請日: 2020-09-29
• 公開（公告）號: CN112233026A
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 陶詩飛;申仕煜;葉曉東;王昊;李男;黃鑫宇;李新逸
• 申請（專利權）人: 南京理工大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06K9/40;G06N3/04
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 薛云燕

1.一種基于多尺度殘差注意力網絡的SAR圖像去噪方法，其特征在于，步驟如下：

步驟1，構建訓練集并對訓練樣本進行歸一化操作；

步驟2，搭建多尺度殘差注意力網絡模型；

步驟3，設置多尺度殘差注意力網絡訓練模型參數并進行模型訓練；

步驟4，將噪聲圖像輸入到訓練好的模型中，得到去噪圖像。

2.根據權利要求1所述的基于多尺度殘差注意力網絡的SAR圖像去噪方法，其特征在于，步驟1中構建訓練集的方法，具體步驟如下：

首先，選取光學遙感圖像作為訓練集，圖像變換為灰度圖使深度為1用來作為無噪聲圖像；

其次，給所有灰度圖像添加不同視數幅度形式的相干斑噪聲得到合成SAR噪聲圖像；

然后，將得到的無噪聲和合成SAR圖像噪聲圖像作為樣本對，以步長為10切割成40×40大小的圖像，并將每對大小為40×40的圖像塊進行數據增強操作以擴大訓練樣本，最終得到圖像塊，以形成訓練樣本對；數據增強操作包括對圖像塊進行翻轉操作、90度以及180度的旋轉操作；

最后，使用歸一化方法將所有的訓練樣本對歸一化到0～1之間。

3.根據權利要求1所述的基于多尺度殘差注意力網絡的SAR圖像去噪方法，其特征在于，步驟2所述搭建多尺度殘差注意力網絡模型，其中網絡模型的結構包括1個多尺度卷積組、1個卷積、1個主干分支、1個掩碼分支以及1個跳躍連接，其中主干分支包括6個卷積核大小為3×3卷積層與兩個跳躍連接；掩碼分支用來生成注意力權重，包括1個非局部模塊、1個卷積核大小為3×3的大步長卷積層、1個轉置卷積層、1個卷積核大小為1×1的卷積層以及Sigmoid函數層，網絡具體結構設置如下：

SAR噪聲圖像首先經過多尺度卷積組，即輸入分別經卷積核大小為3×3、5×5以及7×7的3個卷積層，并將這3個卷積層的輸出結果進行特征拼接操作，提取不同尺度的圖像特征，而且這三種不同尺寸的卷積核數量設置為30、20、12；多尺度卷積組中的所有卷積都會跟著一個ReLU激活函數；在多尺度卷積組后分別接入主干分支和掩碼分支；掩碼分支用于生成注意力權重并與主干分支進行按元素點乘運算，得到的結果與多尺度卷積組的輸出即主干分支與掩碼分支的輸入進行按元素點加運算，得到的輸出經過卷積核大小為3×3，通道數為1的卷積操作后與SAR噪聲圖像進行按元素相減操作，最終得到去噪圖像。

4.根據權利要求3所述的基于多尺度殘差注意力網絡的SAR圖像去噪方法，其特征在于，所述主干分支用來進行特征處理，主干分支由6個卷積層及2個跳躍連接組成；在主干分支的所有卷積后面分別添加一個ReLU激活函數以組成6個卷積層；所述主干分支中，分別在輸入與第二個卷積層的輸出之間、第三個卷積層輸出與第五個卷積層輸出之間添加跳躍連接；所述掩碼分支按順序由1個非局部模塊、1個卷積層、1個大步長卷積、1個轉置卷積、1個卷積核大小為1×1的卷積以及Sigmoid函數組成；所述卷積層由卷積核大小為3×3的卷積及ReLU激活函數組成；所述大步長卷積的卷積核大小為3×3，步長設置為2；所述轉置卷積的卷積核大小為6×6，步長為2，padding設為2。

5.根據權利要求4所述的基于多尺度殘差注意力網絡的SAR圖像去噪方法，其特征在于，步驟3所述設置多尺度殘差注意力網絡訓練模型參數并進行模型訓練，具體為：

訓練網絡模型過程中，訓練輪數60輪，批量大小Batch_size大小為64，采用Adam優化方式，初始學習率設為0.001，而后每經過30輪次學習率除以10，其余卷積核個數即通道數都為64，其余卷積步長都為1，其余padding按公式(1)計算，選取公式(2)作為損失函數，并以最小化損失函數為目標來訓練多尺度非局部殘差網絡模型；

其中，padding表示填充值，kernel_size表示卷積核尺寸大小；式(1)中的除法運算表示得到的商值取整；

其中L_loss為損失函數，H，W分別表示圖像的高和寬，Y，X分別表示去噪圖像和含噪圖像。